【机器学习】TP TN FP FN及IoU的关系
TP(True Positives): 真的正样本 = 【正样本 被正确分为 正样本】 TN(True Negatives): 真的负样本 = 【负样本 被正确分为 负样本】 FP(False Positives): 假的正样本 = 【负样本 被错误分为 正样本】 FN(False Negatives):假的负样本 = 【正样本 被错误分为 负样本】 Precision:预测正确的部分 占预测结果 的比例
Precision
=
TP
TP
+
FP
\text{Precision}=\frac {\text{TP}} {\text{TP}+\text{FP}} \text{ }
Precision = TP + FP TP Recall:预测正确的部分 占GroundTruth 的比例
Recall
=
TP
TP
+
FN
\text{Recall}=\frac {\text{TP}} {\text{TP}+\text{FN}} \text{ }
Recall = TP + FN TP IoU:交集与并集的比值
IoU
=
TP
TP
+
FP
+
FN
\text{IoU}=\frac{\text{TP}}{\text{TP}+\text{FP}+\text{FN}}
IoU = TP + FP + FN TP
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/384753.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!